این مطلب یکی از مقالات پرونده ویژه «تبلیغات و بازاریابی آنلاین» منتشر شده در شماره ۱۸۶ ماهنامه شبکه است. برای دانلود کل پرونده ویژه میتوانید اینجا کلیک کنید.
با
وجود این، یادگیری ماشینی برای بسیاری از مردم همچون جعبهای سربهمهر
است. عامه مردم گمان میکنند که این مفهوم، عجیب و علمی بوده و درک آن با
دشواری همراه است. در حالی که بسیاری از حرفهایهای این حوزه یادگیری
ماشینی را فناوری سطح بالایی توصیف میکنند، این فناوری آنگونه که باید و
شاید در حوزه تبلیغات به شکل صریح و روشنی تعریف نشده است تا به مردم اعلام
کند که در بازاریابیهای امروزی، بازاریابها میتوانند از این فناوری در
برنامههای واقعی روزمره خود استفاده کنند.
آمارها نشان میدهند تبلیغات
پخششده در رسانههای مختلف، تا پایان سال 2016 حدود 600 میلیارد دلار
عاید شرکتهای فعال در زمینه تبلیغات و ناشران آنها خواهد کرد و این صنعت
را در مقایسه با صنایع دیگر، از نظر سودآوری در جایگاه نخست قرار خواهد
داد. یادگیری ماشینی که به نوعی رهبری و هدایت یادگیری عمیق را بر عهده
دارد، به فناوری کلیدیای تبدیل شده است که در حال شکلدهی چشمانداز و
آینده بسیاری از صنایع، از جمله تبلیغات است. یادگیری ماشینی با اتکا بر
الگوریتمهایی که از دادههای جمعآوریشده برای یادگیری استفاده میکنند،
در اکثر مواقع در رویارویی با حجم سنگینی از دادهها، نتایج دقیقی را تولید
میکند.
در عصر برنامههای هوشمند، دادهها سلطان بیرقیب هستند. سرویسهایی که بتوانند دادههایی با بالاترین کیفیت تولید کنند، میتوانند بهخوبی مدلها را تأمین کرده و در نتیجه تجربه کاربری بهتری را در اختیار مخاطبان خود قرار دهند. نکته جالب توجه دیگر، کاهش نرخ میزبانی دادهها و افزایش حجم آنها است. در طول پنج سال گذشته، دادهها رشد صعودی خیرهکنندهای را تجربه کردهاند، در حالی که سیر صعودی هزینه میزبانی دادهها ناچیز بوده است. (شکل 1) برای مثال، شرکت تسلا تا امروز حدود 780 میلیون مایل دادههای رانندگی را جمعآوری کرده است و در هر ده ساعت، میلیونها رکورد دادهای به این حجم اضافه میکند؛ دادههایی که بهمنظور تغذیه مدلهای مورد استفاده در ماشینهای خودران استفاده میشوند. با وجود اینکه صنعت تبلیغات هوشمند در مقایسه با صنایع دیگر کمی از قافله عقبتر است، پیشرفتها در این حوزه خیرهکننده بودهاند.
شکل 1: در سالهای 2010 تا 2015 رشد دادهها خیرهکننده بود.http://www.blogsky.com/ht-csure/post/edit/8169465368
تعریف کوتاهی از یادگیری ماشینی
یادگیری
ماشینی شاخهای از هوش مصنوعی است که به کامپیوترها این توانایی را میدهد
تا کارهایی همچون شناسایی مشکلات، پیشبینی رخدادها، کنترل عوامل متغیر و
نتایج بهدستآمده از آنها و برنامهریزی برای اشیا و سرویسها را بدون
آنکه به برنامهنویسی صریحی برای انجام اینگونه کارها ضرورتی باشد، مدیریت
کنند. برای این منظور پژوهشگران الگوریتمها را با پارامترها و دادههایی
که مدلها به آنها نیاز دارند، تأمین میکنند. در ادامه، این الگوریتمها
خود میآموزند که چگونه باید با استفاده از دادههای جدید رشد و تغییر
کنند. اگر یادگیری ماشینی با دادهها و اطلاعاتی از آینده تأمین شود، این
توانایی را به شما میدهد تا چشماندازها و اتفاقات حوزه کاری خود را در
آینده مشاهده و پیشبینی کنید. بدون شک، این کاربرد هر صنعتی را که درباره
آن فکر میکنید، تحت تأثیر قرار میدهد و اثر شگرفی بر تبلیغات نیز خواهد
گذاشت؛ به گونهای که بازاریابان قادر خواهند بود تبلیغات هدفمند را آماده
کرده و این تبلیغات را برای مخاطبان شناختهشده ارسال کنند. اگر شما
بازاریابی هستید که واژگانی همچون برنامهریزی دادهمحور و هوش مصنوعی به
گوشتان خورده است، باید بدانید این ابزارها کلید موفقیت شما خواهند بود.
در دنیای تبلیغات و بازاریابی، مهمترین اصل این است که شناخت دقیقی از مخاطبان خود داشته باشید. این شناخت و درک درست اجازه میدهد سرویسهای درستی را به مخاطبان هدف ارایه داده و به این شکل میزان فروش خود را افزایش دهید
اگر در تلاش برای کشف این موضوع هستید که چگونه یادگیری ماشینی میتواند در ارائه بهتر تبلیغات کمک کند، بدانید که در این راه تنها نیستید. کافی است سری به بازارهای بورس جهانی بزنید تا مشاهده کنید چگونه بانکهای بزرگ بینالمللی از یادگیری ماشینی برای پیشبینی سیر صعودی یا نزولی ارزش سهام استفاده میکنند و میتوانند هر ثانیه از این تحولات را پیشبینی کنند. این بانکها بهراحتی دامنه، ارتفاع و نقطه شکست هر ارز را با کمک هوش مصنوعی پیشبینی میکنند و به این شکل مانع ضرر و زیان خود میشوند.
بازاریابی به معنای شناخت جزئیات است
در
دنیای تبلیغات و بازاریابی، مهمترین اصل این است که شناخت دقیقی از
مخاطبان خود داشته باشید. این شناخت و درک درست اجازه میدهد سرویسهای
درستی را به مخاطبان هدف ارایه داده و به این شکل میزان فروش خود را افزایش
دهید. این مهمترین قاعدهای است که دنیای تبلیغات را متقاعد ساخته است
یادگیری ماشینی و هوش مصنوعی به شکل خیرهکنندهای میتوانند به این صنعت
کمک کرده و آن را دستخوش تغییرات اساسی کنند. شاید این تجربه تلخ را داشته
باشید که پس از خرید کالایی، به دلایل مختلف مانند متناسب نبودن با
نیازهای شما، نداشتن قابلیتهای کاربردی، کارایی پایین و مانند اینها، از
خرید خود پشیمان شوید و درست چند روز بعد در گشتوگذار اینترنتی، تبلیغی را
ببینید که مشابه کالای مورد نیاز شما را عرضه کرده است. این تکنیک
بازاریابی تنها یکی از صدها راهکاری است که با کمک یادگیری ماشینی در
اختیار شرکتهای بازاریابی قرار دارد. ایمیلهای سفارشی و هدفمند که برای
مخاطبان ارسال میشود، یکی دیگر از کاربردهای جالب توجه یادگیری ماشینی به
شمار میروند.
به حداکثر رساندن بهرهوری تبلیغات
اگر
جزو آن گروه از افرادی هستید که سالها در صنعت بازاریابی و تبلیغات
فعالیت داشتهاند، روزگاری را که تبلیغات به طور دستی انجام میشد، به خاطر
میآورید. شیوههای سنتی تبلیغات، در عصر جدید کارایی خود را از دست
دادهاند. این تکنیکها دیگر قادر نیستند در زمینه بهینهسازی مکانیزمهای
تبلیغاتی یا گسترشپذیری آنها کمک کنند. این درست همان نقطهای است که
یادگیری ماشینی کمک میکند برنامههای تبلیغی خود را کارآمدتر کرده و
اطمینان حاصل کنید سیاستی که در زمینه تبلیغات در پیش گرفتهاید، در مسیر
درست و به همان شکلی که انتظار دارید به جلو حرکت خواهد کرد. با اتکا بر
سلسله عملیات بسیار پیچیدهای، یادگیری ماشینی کمک میکند تا میزان
بهینهسازی یک تبلیغ بهمنظور اثرگذاری مضاعف بر مخاطبان هدف را تعیین
کنید. برای مثال، شرکت مکدونالد برای آنکه بتواند مشتریان بیشتری جذب کند،
از چنین الگوریتمهایی بهره برد و تصمیم گرفت از چهره افراد برجستهای
همچون شکسپیر، انیشتین و آوستین در فهرست جدید خود موسوم به The 12 استفاده
کرده و به مخاطبان خود اعلام کند که افراد بزرگ پیش از پرداختن به حل
مسائل بزرگتر، ابتدا مسئله ناهار را حل کردهاند. (شکل دو و سه)
شکل 2 و 3: پوسترهای تبلیغاتی خلاقانه مکدونالد
برای دستیابی به چنین راهکارهای خلاقانهای، الگوریتم انتخابی باید درباره معیارهای کارکردی که به شما در رسیدن به هدفتان کمک خواهد کرد، اطلاعات کافی داشته باشد. نرخ کلیکها در لینکهای اینترنتی یا نرخ نصبهای یک برنامه کاربردی از جمله این موارد هستند. هر زمان چنین دادههایی در اختیار یادگیری ماشینی قرار داشته باشد، میتواند میزان اثرگذاری یک پیشنهاد تبلیغاتی را ارزیابی کند. دادههای مورد نیاز برای چنین رویکردی از منابع مختلفی استخراج میشوند، اما نکته مهم این است که باید منابع مالی خوبی در اختیار داشته باشید تا بتوانید نتایج بهتری به دست بیاورید.
سرمایهگذاری با نگاه کردن به اهداف مشابه
بدون
شک الگوریتمهای فیسبوک که دادههای ارزشمندی در اختیار ما قرار داده و به
این شکل فرصتهای منحصربهفردی در زمینه شناسایی فراهم کردهاند، بهترین
کمک هستند. آیا به یاد میآورید زمانیکه در فیسبوک عضو شدید، اطلاعاتی
درباره علائق شخصی خود، برنامههای تلویزیونی که مشاهده میکنید، تیمهای
ورزشی که اخبار مربوط به آنها را دنبال میکنید و مانند اینها را در
پروفایل خود وارد کردید؟ اطلاعاتی که آن زمان در پروفایل خود قرار دادید،
امروزه بهمنظور ارائه تبلیغات و بازاریابی مؤثر استفاده میشوند. الگوریتم
یادگیری ماشینی میتواند کلاستری از مخاطبان خاص را بر مبنای اینکه
تبلیغات هدفمند برای کدامیک از این گروهها ارزشمندتر است، ایجاد کند.
برای مثال، یک الگوریتم ممکن است آگاه شده باشد که زنان بالای سی سال به
طور اتفاقی در فضای مجازی به دنبال بازیهای آنلاین و متعاقب آن به دنبال
آموزشهای مرتبط با این بازیها هستند. این اطلاعات برای بازاریابان ارسال
میشود و تبلیغات مربوط به این آموزشها بر مبنای فعالیتی که این گروه از
مخاطبان انجام میدهند، در مکانهای مختلفی به آنها نشان داده میشود.
امروزه یادگیری ماشینی به شرکتهای تبلیغاتی کمک کرده است تا تبلیغات محلی
را ویژه افرادی که در موقعیتهای جغرافیایی مختلف قرار دارند، به صورت
هدفمند نشان دهند.
دادهکاوی بهمنظور بهینهسازی اهداف
مهم
نیست چه نوع فعالیتی در فضای آنلاین انجام دادهاید، با هر بار کلیک کردن
روی لینکهای مستقر در سایتها یا حتی بازدید از سایتها، زمانیکه قصد
خروج از این فضا را دارید، ردپایی از شما بر جای میماند. به عنوان یک
بازاریاب، باید ردپای بهجامانده را درک کنید و قادر به تفسیر آن باشید.
این تفسیر و تحلیل کمک میکند اطلاعات بیشتری درباره افرادی که به عنوان
اهداف خود مشخص کردهاید، به دست آورید. اما این تکنیک با یک مشکل روبهرو
است؛ این اطلاعات به صورت پراکنده در اختیار ارائهدهندگان سرویسها قرار
دارد و همین موضوع باعث میشود در بیشتر موارد اطلاعات ناقصی از مخاطبان
خود به دست آورند. سرویسهای دادهای از مدلهای آماری که به صورت پویا
ساخته شدهاند، برای استخراج اطلاعات اضافیتر درباره مردم استفاده
میکنند. این اطلاعات میتوانند از طریق ناشران یا دادههای اجتماعی همچون
تعداد لایکها و بازبینیها به دست آید. اگر مکانیزمی در اختیار داشته
باشید تا بتواند چنین دادههایی را جمعآوری کند، بدان معنا است که به
میزان باورنکردنی درباره جزئیات مربوط به مخاطبان خود اطلاعات به دست
آوردهاید و در نتیجه میتوانید به بهترین شکل ممکن زمان خود را صرف
بهینهسازی نحوه ارائه تبلیغات کنید و به شکل تأثیرگذاری آنها را به
مخاطبان خود نشان دهید؛ بهطوری که تبلیغات به شکل هوشمندانهای در زمان و
مکان مناسبی به مخاطبان نشان داده شود.
پیشبینی اثرگذاری
یکی
از جالبترین کاربردهای یادگیری ماشینی در حوزه تبلیغات، توانایی پیشبینی
اثرگذاری تبلیغات است؛ پیش از آنکه به دست مشتریان هدف برسد. امروزه
تبلیغکنندگان میتوانند از دادههای آماری و تاریخی که درباره تبلیغات
قبلی در اختیار دارند و تأثیرگذاری آنها به اثبات رسیده است، در تبلیغات
مشابه استفاده کنند. این قابلیت به آنها اجازه میدهد تا انتخابهای
خلاقانه و هوشمندی را بهمنظور به حداکثر رساندن بهرهوری ارائه کنند.
سفارشیسازی
با
استناد به مطالعهای که بهتازگی انجام شده است، زمانی که از بازاریابان
سؤال شد به نظر آنها مهمترین قابلیتی که میتواند بر آینده صنعت تبلیغات
تأثیرگذار باشد، چه ویژگیای است، همگان همنظر بودند که شخصیسازی در مکان
نخست این فهرست قرار دارد. الگوریتمهای یادگیری ماشینی میتوانند
ویژگیهای مصرفکنندگان همچون علایق، خریدهای مشتریان و دموگرافیها (علم
تحقیق در جمعیتهای انسانی) را در قالب خوشههایی شبیه به الگوهای جستوجو
گروهبندی کنند و به تحلیل آنها بپردازند. این دستهبندی برای شناسایی
انواع مختلفی از تیپهای شخصیتی و شناسایی مخاطبانی در ردههای سنی مختلف
استفاده میشود. این راهکار به تبلیغدهندگان اجازه میدهد تبلیغات بهشدت
قانعکنندهای را بر اساس شخصیت افراد و گروه سنی آنها طراحی کنند.
با اتکا بر سلسله عملیات بسیار پیچیدهای، یادگیری ماشینی کمک میکند تا میزان بهینهسازی یک تبلیغ بهمنظور اثرگذاری مضاعف بر مخاطبان هدف را تعیین کنید
مشخص کردن محتوا
امروزه
یادگیری ماشینی به اهرمی برای به اشتراکگذاری محتوا روی پلتفرمهای مختلف
تبدیل شده است. این اهرم به تبلیغکنندگان اجازه میدهد مخاطبان خود را
بهدرستی شناسایی کنند و در ادامه محتوای درست متعلق به یک برند را به دست
مخاطب خود برسانند. یادگیری ماشینی همچنین بهمنظور شناسایی این موضوعات که
آیا محتوایی که درباره آن قرار است صحبت شود، این ظرفیت را دارد تا برای
یک برند ارزشآفرینی کند، آیا مخاطبان میتوانند از این اطلاعات برای اخذ
یک تصمیم هوشمندانه استفاده کنند و محتوا روی کدامیک از رسانههای امروزی
بهتر جواب میدهد، استفاده میشود و بهشدت محبوب شده است.
زمان و مکان
قرار
دادن آگهیها در زمان درست، برای موفقیت یک کمپین اهمیت فوقالعادهای
دارد. زمانیکه مصرفکنندگان در جستوجوی نیازهای شخصی هستند، تبلیغات
غیرمرتبط بهشدت درک و شناختی منفی در خصوص یک برند به وجود میآورند.
یادگیری ماشینی میتواند مکان و زمان مناسبی را که تبلیغات باید روی رسانه
انتخابی کاربر نشان داده شوند، تعیین کند. وزن متغیرها، مواردی همچون نرخ
کلیک (CTR) سرنام click-through-rate و مدتزمانی که کاربر صرف بازدید از
صفحات کرده است، از جمله موضوعاتی هستند که یادگیری ماشینی بهخوبی آنها
را تحلیل میکند.
شناسایی تقلب
کلیکهای
نادرست یکی از بزرگترین نگرانیهایی است که در دنیای تبلیغات وجود دارد.
یادگیری ماشینی بهخوبی کلیکهای جعلی را شناسایی میکند. یادگیری ماشینی
با تجزیهوتحلیل عادتهای عادی و متعلق به گذشته در مقایسه با کلیکهای
نامشروع، میتواند تعیین کند آیا یک کلیک واقعاً مشروعیت دارد یا غیرواقعی
است. در نتیجه تبلیغکنندگان بهراحتی قادر به کشف و مشاهده اعداد واقعی
خواهند بود و به این شکل الگوی رفتاری و معمول مخاطبان در یک کمپین را
شناسایی میکنند. گوگل از این تکنیک بهمنظور شناسایی تقلبهایی که ممکن
است در سرویس Adwords به وجود آید، استفاده میکند.
پیشبینی موفقیت
پیش
از اینکه یک کمپین تبلیغاتی کار خود را آغاز کند، دستاندرکاران باید
تحلیلهای جامعی درباره موفق بودن آن کمپین انجام دهند. یادگیری ماشینی
میتواند بر اساس اطلاعات بهدستآمده از کمپینهای قبلی، همچون نوع محصول،
نوع تبلیغات، نوع محتوا و اطلاعات کاربر، پیشبینیهای هوشمندانهای
درباره موفقیت احتمالی یک کمپین ارائه کند. این تکنیک در ایجاد تغییرات و
افزایش ضریب موفقیت یک کمپین پیش از آنکه به مرحله اجرایی وارد شود، نقش
بسزایی دارد.
در نهایت
امروزه
الگوریتمها تأثیرگذاری محسوسی بر تبلیغات و کارآمدتر کردن آنها دارند.
در حال حاضر، هیچ کس در حوزه تبلیغات نمیتواند ادعا کند تمامی راههای
ممکن برای ارائه مؤثر تبلیغات را در اختیار دارد و میتواند تمامی اطلاعات
را بهخوبی درک کند. ما هنوز به دورانی وارد نشدهایم که بسیاری از مشاغل
تحت سلطه روباتها قرار داشته باشند، اما در دورانی هستیم که الگوریتمهای
ماشینی میتوانند تأثیرگذاری شگرفی بر صنعت تبلیغات داشته باشند؛ به دلیل
اینکه به شکل باورنکردنی جزئیات بسیاری درباره اهداف عرضه کرده و تحلیلهای
آماری قدرتمندی در این زمینه ارائه میکنند.
شرکت بیمهگر Fukoku Mutual Life بر این باور است که با جایگزین کردن ماشینهای هوشمند قادر است بهرهوری خود را به میزان 30 درصد افزایش دهد. به طوری که در کمتر از دو سال هزینهای که در این راه سرمایهگذاری کرده است را به دست آورد. این شرکت گفته است: «سیستم فوق به ارزش 200 میلیون ین تا اواخر ماه جاری میلادی نصب خواهد شد، برآورد ما این است که به واسطه این سامانه هر ساله بتوانیم در حدود 140 میلیون ین صرفهجویی داشته باشیم.»
در حالی که بعید به نظر میرسد رویکرد این شرکت از سوی کارکنان مورد استقبال قرار گیرد، با این وجود با پایان یافتن ماه مارس (اواسط فروردین) تعداد 34 نفر از کارکنان این شرکت شغل خود را از دست خواهند داد. این سامانه بر مبنای سامانه شناختی واتسون آیبیام کار میکند. سامانهای که شبیه به یک انسان فکر میکند و قادر است تمامی اطلاعاتی که در اختیارش قرار میگیرد را مورد تجزیه و تحلیل قرار دهد. متون، فایلهای صوتی و فایلهای ویدیویی از جمله دادههایی هستند که این سامانه قادر است آنها را پردازش کند.
سایت ماینیچی شیمبوان، در این ارتباط گفته است: «فناوری فوق قادر است دهها هزار گواهی پزشکی در ارتباط با مدت زمان اقامت بیمار در بیمارستان، تاریخچه پزشکی و هرگونه عمل جراحی که یک بیمار انجام داده است را محاسبه کرده و نتیجه را در اختیار این شرکت بیمهگر قرار دهد.» در حالی که به کارگیری یک سامانه هوشمند از سوی شرکت Fukoku به شکل قابل توجهی در زمان این شرکت صرفهجویی میکند، با این حال گزارش آماده شده تنها زمانی قابل استناد خواهد بود که یک عامل انسانی صحت درستی آنرا مورد تایید قرار دهد. لازم به توضیح است که این شرکت هر ساله 132 هزار گواهی و بازپرداخت سالانه را مورد بررسی قرار میدهد.
افزایش سن افراد جامعه و قابلیتهایی که فناوری روباتیک در اختیار شرکتهای ژاپنی قرار میدهد، یک فرصت ناب را به وجود آورده است تا هوش مصنوعی در این کشور مورد آزمایش قرار گیرد. گزارشی که در سال 2015 میلادی از سوی موسسه تحقیقاتی نومورا منتشر شد، نشان میدهد نزدیک به نیمی از مشاغل ژاپن تا سال 2035 به طور کامل در اختیار روباتها قرار خواهد گرفت.
لازم به توضیح است، پیش از این نیز، موسسه دیگری به نام Dai-Ichi-Life از یک سامانه هوشمند مبتنی بر واتسون استفاده کرده بود. با این وجود در آن موسسه هیچیک از کارمندان شغل خود را از دست نداده بودند. به نظر میرسد هوش مصنوعی نقش مهمی در سیاستهای آتی کشور ژاپن بازی خواهد کرد. ماه آینده میلادی قرار است وزارتخانه صنعت، تجارت و اقتصاد ژاپن به صورت آزمایشی از هوش مصنوعی به منظور کمک به کارمندان دولت استفاده کند. در این طرح آزمایشی هوش مصنوعی به کارکنان دولت کمک میکند تا پیشنویسهایی که قرار است در جلسات هییت دولت مطرح شوند را آماده کنند. آژانس خبری جیجی گزارش کرده است: «اگر این آزمایش موفقیتآمیز باشد، سازمانهای دولتی دیگر نیز به سمت استفاده از هوش مصنوعی متمایل خواهند شد.» اما عدهای از اندیشمندان ژاپنی دیدگاه متفاوتی در این ارتباط دارند. نوریکا آرای، استاد موسسه ملی انفورماتیک ژاپن در این ارتباط به آژانس خبری کیودو گفته است: «هوش مصنوعی برای پاسخگویی به هر سوالی مناسب نیست. به دلیل اینکه هنوز این توانایی را ندارد تا درک گستردهای از مفاهیم مختلف داشته باشد.»
اگر به ساختار داخلی سازمانها در سالهای اخیر نگاهی داشته باشیم، مشاهده میکنیم که سازمانها پیوستن به روند دانش بنیانی را آغاز کردهاند. مفاهیم جدیدی همچون کاردانشی، دانش کار، مدیریت دانش و سازمانهای دانشی حکایت از شدت گرفتن این روند دارند. پیتر دراکر در این باره گفته است: «این مفاهیم بهما اعلام میدارند در سازمانهای جدید قدرت بازو جای خود را به قدرت ذهن داده است. بهطوری که در آینده تنها جوامعی باید انتظار پیشرفت را داشته باشند که از دانش بیشتری برخوردار باشند.» اقتصاد دانشمحور این پتانسیل را دارد تا یک کشور را در ابعاد اقتصادی، اجتماعی و فرهنگی به شکوفایی برساند.
بهطوری که اهمیت در اختیار داشتن دانش از منابع طبیعی مهمتر خواهد بود. اما سوال اصلی این است که مدیریت دانش چیست؟ مدیریت دانش به بهرهوری و توسعه داراییهای دانشی یک سازمان در جهت نیل به اهداف تعیین شده در سازمان اشاره دارد. در این تعریف هم دانش عینی و هم دانش ضمنی لحاظ میشود. مدیریت دانش تمامی روندهای شناسایی، اشتراک و تولید دانش را در بر میگیرد.
پرساک داونپورگ در ارتباط با اهمیت مدیریت دانش گفته است: «سازمانهای هوشمند و بزرگ بهخوبی میدانند که دانش یک سرمایه سازمانی است و قوانین درون سازمانی باید بهگونهای تدوین پیدا کرده و توسعه یابند تا از تولید و بهاشتراکگذاری دانش پشتیبانی کنند.» اگر به الگوهای مدیریتی شرکتهایی همچون گوگل یا اپل نگاهی داشته باشیم، بهخوبی این جمله داونپورگ را در سیاستهای داخلی این شرکتها مشاهده میکنیم. همانگونه که در مقاله مغز مصنوعی پنهان اپل در شماره 185 مجله به آن اشاره کردم، اپل به بهترین شکل ممکن زیرساخت مناسب برای پیشرفت و به اشتراکگذاری دانش را درون سازمان خود مهیا کرده است. اما سوال اصلی این است که چگونه میتوانیم به دانش موردنیاز دست پیدا کنیم تا در ادامه بتوانیم آنرا مدیریت کنیم.
در جواب باید بگوییم انقلاب فناوری اطلاعات نهمتنها منجر به شکلگیری جامعه اطلاعاتی و توسعه سریع فناوریهای برتری شد که در نهایت تاثیر خود را بر الگوی رشد اقتصادی جهانی بر جای گذاشت، بلکه سلسله تحولات زنجیرهواری را بهوجود آورد که در نهایت دانش را بهعنوان مهمترین سرمایه، جایگزین سرمایههای مالی و فیزیکی کرد. این تاثیرگذاری منجر به شکلگیری مفهومی بهنام سرمایه فکری شد. برداشتها و تعاریف مختلفی برای این مفهوم میتوان ارائه کرد. بهطور مثال، سرمایه فکری به داراییها و فاکتورهای تجاری و ضمنی یک سازمان اشاره دارد که تاثیر مهمی بر کارکرد و سایر معیارهای کلیدی موفقیت آن سازمان دارد.
از سرمایههای فکری اغلب بهنام داراییهای غیر ملموس یا ارزشهای نهان یک سازمان یاد میشود. این سرمایه فکری یا همان دانش در دراز مدت ثروتآفرینی را برای یک سازمان رقم خواهند زد. جیا شان وانگ در این ارتباط گفته است: «در این بین سرمایه انسانی هسته اصلی و مرکزی سرمایه فکری بهشمار رفته و نقش مهمی در ارزشآفرینی سازمانها دارد.» حال که با مفهوم دانش و نحوه بهدست آوردن آن آشنا شدید، باید بدانید دانش بهعنوان یک منبع رقابتپذیر در سازمانها شناخته میشود. در حالی که نقش دانش در پیشرفت سازمانها کاملا مشهود است، با این وجود تنها تعداد محدودی از سازمانها میتوانند دانش را در مجموعه خود بهدرستی مدیریت کنند. گری اینکپن در این ارتباط گفته است: «تنها شرکتهایی در صحنه رقابتپذیری بهویژه در مقیاس جهانی پیروز میشوند که بتوانند دانش مناسبتری نسبت به رقبای خود در اختیار داشته باشند.»
با این وجود دانش خود به دو گروه تقسیم میشود. مایکل پولانی در سال 1966 گفت: « در حوزه دانش ما با دو گروه دانش صریح (Explicit Knowledge) و دانش ضمنی (Tacit Knowledge) روبرو هستیم. دانش صریح بهراحتی قابل کپی کردن است، در حالی که دانش ضمنی اینگونه نیست، بهسختی میتوان آنرا با دیگران اشتراک قرار داد و ریشه در بینش، تجربیات ارزشها و حتی احساسات فرد دارد.» حال به آخرین پرسش این یادداشت میرسیم، چگونه میتوان مدیریت دانش را در یک سازمان پیادهسازی کرد؟ اگر بخواهیم بهطور فهرستوار به این پرسش پاسخ دهیم باید بگوییم، پیادهسازی یک برنامه مدیریت دانش به تعهد و حمایت مدیریت ارشد، آموزش مفاهیم مدیریت دانش در سطح سازمان، فراهم آوردن بستر فرهنگی مناسب، پیادهسازی زیرساخت سازمانی مناسب، پیادهسازی مراکز دانشی، اندازهِگیری عملکرد دانش سازمان و در نهایت برنامهریزی نیاز دارد. بدون شک با رعایت این فاکتورها و توجه بیش از پیش به پیادهسازی مدیریت دانش در سازمانهای خصوصی و دولتی قادر خواهیم بود مسیر پیشرفت را در سریعترین زمان پشت سر نهیم.